Avis de soutenance - doctorat - Letizia LAMPERTI

Avec les menaces croissantes pesant sur la biodiversité mondiale, comprendre les variations spatio-temporelles des as- semblages écologiques est devenu essentiel pour la gestion des écosystèmes et la conservation de la biodiversité. Le metabarcoding de l'ADN environnemental (ADNe) est l'un des outils émergents prometteurs pour surveiller les change- ments de biodiversité, en particulier dans les écosystèmes marins. Cependant, les méthodes d'analyses traditionnelles peinent souvent à détecter et à visualiser ces variations et les patrons de diversité car les données liées, au metabarcoding de l'ADNe, sont des données très complexes. Cette complexité et les difficultés d'analyse limitent ainsi les interprétations écologiques et biogéographiques potentielles. Pour lever ces limites, cette thèse développe et applique des techniques avancées d'apprentissage automatique (ML) et d'apprentissage profond (DL) pour l'analyse des données du metabarcoding d'ADNe. Ces techniques permettent la détection des variations et des patrons de biodiversité, l'identification des interactions entre espèces et la surveillance des écosystèmes. Les approches ML et DL surpassent les méthodes traditionnelles dans la gestion des grands ensembles de données et dans la modélisation des relations non linéaires entre les données du metabarcoding d'ADNe. En conclusion, cette thèse représente une contribution significative à la conservation de la biodiversité, en particulier dans les écosystèmes marins. Les outils développés offrent de nouvelles possibilités pour le suivi de la biodiversité à partir du metabarcoding de l'ADNe, améliorant ainsi l'étude de la biodiversité et les stratégies de gestion de la biodiversité.